深度神经网络和循环神经网络,深层循环神经网络

深度学习和有效学习的区别

深度学习和有效学习的区别分别是：1、深度学习是：Deep Learning,是一种机器学习的技术，由于深度学习在现代机器学习中的比重和价值非常巨大，因此常常将深度学习单独拿出来说。

最初的深度学习网络是利用神经网络来解决特征层分布的一种学习过程。

通常我们了解的DNN（深度神经网络），CNN（卷积神经网络），RNN（循环神经网络），LSTM（长短期记忆网络）都是隶属于深度学习的范畴。也是现代机器学习最常用的一些手段。

通过这些手段，深度学习在视觉识别，语音识别，自然语言处理（NLP）等领域取得了使用传统机器学习算法所无法取得的成就。

2、有效学习是：所谓有效学习就是智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大，由于外部给出的信息很少。有效学习系统必须依靠自身的经历进行自我学习。

通过这种学习获取知识，改进行动方案以适应环境。有效学习最关键的三个因素是状态，行为和环境奖励。

机器学习是：Maching Learning，是实现人工智能的一种手段，也是目前被认为比较有效的实现人工智能的手段。

目前在业界使用机器学习比较突出的领域很多，例如计算机视觉、自然语言处理、推荐系统、文本分类等，大家生活中经常用到的比如高速公路上的ETC的车牌识别，苹果手机的Siri，看今日头条时给你推荐的新闻，再比如大家用天猫买东西看评论的时候的评价描述。

谷歌人工智能写作项目：神经网络伪原创

深度学习主要是学习哪些算法？

深度学习（也称为深度结构化学习或分层学习）是基于人工神经网络的更广泛的机器学习方法族的一部分文案狗。学习可以是有监督的、半监督的或无监督的。

深度学习架构，例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序在内的领域，在这些领域中，它们的成果可与人类专家媲美，并且在某些情况下胜过人类专家。

神经网络受到生物系统中信息处理和分布式通信节点的启发。人工神经网络与生物大脑有各种不同。具体而言，神经网络往往是静态和象征性的，而大多数生物的大脑是动态(可塑)和模拟的。

定义深度学习